基于深度学习的新增违法建设监测框架研究与应用

康停军,陈汭新,孙 颖,夏义雄,王 彬

(1. 佛山市测绘地理信息研究院,广东 佛山 528000; 2. 中山大学地理科学与规划学院,广东 广州 510275)

近年来,随着工业化和城市化进程的不断推进,违法建设冒头的现象屡见不鲜,给城市管理部门带来了巨大挑战[1]。违法建设是制约城市发展的毒瘤,侵占了社会公共资源和城市空间,带来了严重的环境和安全问题[2]。为阻断违法建设行为,维护规划权威性,科学开展新增违法建设监测,促进智慧化转型,已成为城市高质量发展的必然选择。

人工巡查、群众举报等传统手段存在时效性差、效率低、成本高等诸多不足[3],而遥感技术具有覆盖面广、重返时间短等优势,已成为监测新增违法建设的主流手段[4]。文献[5]运用遥感和地理信息技术,在北京六环内建立了违章建筑监测系统,实现了对违章建筑的及时监测、查处和预警。文献[6]提出了一种基于高分辨率遥感影像的违法土地快速检测方法,提高了工作效率并取得了较好的应用效果。文献[7] 实现了多源遥感影像的空间网格组织和实时影像服务,大幅提高了土地监测的时效性和准确性。文献[8]利用微型无人机监测城市重点区域的违法用地和违法建设。文献[9]提出了基于无人机影像的最佳分割尺度定量化评价指标和影像多时相特征分析方法,并成功应用于监测威海市经济技术开发区的违法建设。现有研究多关注于发现新增建设行为,然而违法建设的管理涉及职能部门多、监管重点差异大、处置法律法规复杂[10],快速发现违法建设行为只是第一步。如何打破行政执法壁垒、准确定性、合理分派,形成全闭环的监测管理机制,构建融合多个监管部门的、多层级的违法建设处置体系,是新增违法建设治理亟须解决的关键问题。

面对违法建设类型多样、隐蔽性强、行政交叉、信息不畅等问题,本文基于多期高分辨率遥感影像与职能部门管理数据,利用耦合特征金字塔网络(feature pyramid network,FPN)[11]与基于掩膜区域卷积神经网络(mask region-based convolutional neural network,Mask R-CNN)[12]的建筑物边界提取算法与空间分析技术,构建发现、分析、分派新增违法建设的综合管理体系,完善多部门联动的协同治理模式,以期为严控新增违法建设提供技术支撑。

1 研究方法

1.1 总体框架

本文提出了“建设行为监测—多源数据融合分析—协同分派治理”的新增违法建设全链条管理框架(如图1所示)。首先聚焦建设行为监测,利用卫星、无人机进行高频次观测,获取测区最新的高分辨率影像图,进而基于耦合FPN与Mask-RNN多任务的建筑物边界提取算法得到现状建筑物的矢量范围线。其次为多源数据融合分析,通过整合各职能部门历年形成的空间数据(如自然资源的权籍调查数据、地形图、不动产登记数据、卫片执法数据等,住房和城乡建设部门的建筑物灾害普查底图数据等),形成历史建筑物分布底图。然后利用空间分析与人工判别,提取新增建设行为图斑。最后为协同分派治理,根据自然资源、住建和水利、农业农村等各职能部门管辖范围,标识相关职能部门的审批数据,并按照事件属性分派至各审核部门。

图1 研究框架

1.2 耦合FPN与Mask-RNN的多任务建筑物边界提取算法

利用计算机视觉的方法对遥感影像进行分割已经成为遥感图像处理的热点[13],语义分割和实例分割[14-15]是其中具有代表性的两类网络模型。语义分割网络模型强大的学习能力和特征表达能力可以快速准确地识别遥感影像中不同类别的地物,常见的网络有全卷积神经网络(fully convolutional network,FCN)[16]、U-Net[17]等。相比于语义分割,实例分割不仅能识别像素类别,还能获取对象的位置、大小和形状,能更好地分割每个对象轮廓并精化对象边缘,常见的算法有YOLO系列、Mask-R-CNN等。本文综合了实例分割和语义分割的优势,耦合了FPN与Mask R-CNN算法,有效提升了传统模型边界不准、内部空洞等问题。

算法框架采用ResNet50网络进行特征提取,使用转置卷积实现反卷积,并利用二元交叉熵损失优化网络,即

(1)

首先中间层使用FPN网络构建自顶向下、自底向上和同层连接3个特征图;然后对浅层特征与高层特征进行融合,并利用区域候选网络对FPN获取的多尺度特征处理;最后将原图ROI与特征ROI对齐后,采用平滑L1损失重新进行分类、回归得到目标建筑物目标框。平滑L1损失公式为

(2)

式中,当y比较小时,等价于L2 损失,解决回归任务中的平滑问题;当y比较大时,等价于L1 损失,解决高噪声、离群值等问题以保持平滑。

同时,将对齐特征输入到目标框掩膜识别网络,也利用交叉熵损失进行网络优化,得到建筑物掩膜。

最后,设定建筑物面积ST作为阈值对两种方法的结果融合。面积大于阈值ST的建筑物,取FPN和Mask R-CNN的结果的并集,以弥补Mask R-CNN对部分建筑物的漏检;面积小于ST的建筑物,选择Mask R-CNN的检测结果,以确保小型建筑物边界的清晰。

1.3 协同分派

新增违法建设的监测与治理是一项复杂的系统工程,涉及自然资源、城管、住建、农业农村、供电单位、工商等多个职能部门。其中,自然资源管理部门需对违反土地法、城市规划法的建设进行认定;供水、供电单位要对逾期没有拆除的违法建设停止供水、供电;农业农村管理部门需对涉及宅基地的建设行为出具相关证明材料;水利管理部门要对违反水法的建设行为定性等。本文通过分析各职能部门违法建设管理流程与认定标准,设计了信息共享、协同分派、联合行动的管理机制,形成上下联动、齐抓共管的强大合力,协同分派流程如图2所示。

图2 协同分派流程

对于疑似新增违法建设,通过收集各职能部门所认定的违法建设管理空间范围判别该建设行为涉及的职能部门,并标识各职能部门的审批数据。若该建设行为涉及多个职能,则成立工作小组,确定牵头单位,依次分派至各部门进行认定。各部门上传涉及本部门职能的相关材料,并在必要时组织相关部门进行现场核查,待核查结束后,工作小组联合各职能部门,共同判断该建设行为是否符合法规和监管要求。若该案件判定为新增违法建设,分派至各职能部门进行处置,将治理成功共享至各参与部门;若该案件判定为合法建设,则上传相关证明材料供其他部门调取使用。

2 试验结果与分析

为检验本文使用建筑物提取算法的有效性,利用高分辨率影像与人工标签的矢量数据,通过常用的精度指标和局部影像提取结果对算法进行评价,并选取佛山市顺德区某城乡接合部作为试验区,验证本文监测框架的合理性。

2.1 试验环境

建筑物遥感提取试验采用的硬件环境为:CPU为Intel Core i7-9700KF,GPU为 Nvidia GeForce RTX 2080 Super(8 GB显存),RAM为64 GB。软件环境采用的操作系统为Ubuntu,开发语言为Python,开发环境为Pycharm,深度学习模型主要基于Pytorch框架。空间分析部分的环境为ArcGIS Engine 10.2,开发语言为C#,协同分派依托于佛山市违法建设治理信息平台。

2.2 建筑物提取结果分析

研究数据为佛山市空间分辨率优于0.5 m的高清正射影像图,利用LabelImg软件人工筛选和标注样本数据,并将数据集划分为训练集、验证集、测试集,比例为8∶1∶1。经过127次训练与迭代,模型收敛并达到最优,算法精度OA系数与F1[18-19]分别为82.36%、76.52%,基本能满足实际使用需求。

为更直观地展现建筑物提取质量,选取了两幅不同场景的局部影像进行结果可视化(如图3所示)。由图中的局部细节对比可以明显看到,FPN算法能较为准确地提取建筑物轮廓,但是对细小变化不敏感,会出现漏分、建筑物边界粘连的情况,Mask R-CNN较为完整地识别出了建筑物信息,但也出现了较为明显的误提取。相比上述两种情况,本文采取的算法表现良好,图3(a)展现了建筑物间隔较小、密度较高的区域,基本没有出现阴影、植被、硬化道路等错分现象,但是仍存在多个细小斑块、边界偏移或建筑物边界粘连的问题。图3(b)展现了建筑物间距较大、密度较低的区域,本文的算法较为正确地分割了建筑物边界,较好地识别出了建筑物轮廓,但是在连片厂房、棚顶等面积较大且形状特别的地物,虽然能有效识别建筑物的主体形态,但是由于建筑物投影差的问题,容易出现错误区域粘连和压盖周边建筑物。

综上所述,本文所采取的算法综合了FPN算法与Mask R-CNN算法的优点,建筑物分割结果边界清晰,与真实建筑物轮廓一致性较高,可作为监测新增建筑的主要手段。

2.3 新增违法建设监测应用

选取了佛山市顺德区约3.5 km2的区域作为试验区,在2022年10月21日—22日,使用大疆M300 RTK无人机搭载禅思P1镜头采集了该区域空间分辨率为5 cm的正射影像。试验区为典型村级工业园附近城中村场景,建筑物以宅基地为主,形状、大小和结构各异,屋顶大多搭有棚或种植绿植,少许建筑物周边有林地、草地。此外,东南方向分布少许连片低矮厂房,相邻厂房间隔较小,顶棚色彩差异性大,属于人工巡查较难管控的区域。

利用本文算法提取的建筑物范围线对比建筑物分布底图与历史遥感影像,发现该区域的新增建设行为主要以宅基地的改扩建与棚房的搭建、扩建为主,图4(a)、(c)、(e)为前时影像,图4(b)、(d)、(f)为后时影像。对比图4(a)和(b)监测区域,前时影像中该区域植被覆盖,后时影像中大面积绿地变为硬化地面,区域上有明显建造行为,疑似为施工前期的土地平整工作。在图4(c)、(d)区域中,前时影像中的建筑在后时影像中发生明显改建扩建行为,建筑物形态、高度、外轮廓等空间特征变化显著。图4(e)、(f)中棚房的面积和遮蔽范围有明显增加,前时影像左侧的空地在后时影像中已被白色棚房遮蔽,存在明显的搭扩建行为。

叠加审批数据后对比发现,该区域新增168处建设行为。其中,99宗有合法报建手续,航拍照片与历史数据对比未发现异常。另外,64处为疑似违法建设,分布如图5所示。其中,16处正在建设过程中,需分派至自然资源管理部门与住建管理部门联合研判其合法性;10处涉及河道管理范围线,需由水利、住建、自然资源管理部门共同审核;38处新增宅基地建房,需由农业农村管理部门、自然资源管理部门共同评估合法性。

图5 疑似新增违法建设结果

由图5可以看出,新增疑似违法建设行为分布零散、隐蔽性强,以新增住宅用房为主,少部分为搭建的棚房,集中在已有厂房附近。相比传统人工巡查,本文采用的监测手段显著提高了巡检效率,能更客观、全面地从高空视角观察区域全貌,并在一定程度上解决了当前违法建设治理工作中的多头执法、信息不畅、重复处置等问题。

3 结 语

本文以高分辨率遥感影像、深度学习等技术为支撑,结合实际工作中对新增违法建设快速识别、精准分派、信息共享的需求,构建了“建设行为监测—多源数据融合分析—协同分派治理”的全链条管理监测管理框架。研究成果能够较好地解决高分辨率遥感影像智能化处理、违法建设性质分析、案件分派等难题,并为不同职能、不同需求的违法建设监管部门提供了解决思路,为持续创新城市管理模式和提高城市管理水平提供了有力支撑。